Um pouco sobre FHE primeiro

A Criptografia Totalmente Homomórfica (FHE) representa uma classe de técnicas de criptografia projetadas para permitir que cálculos significativos sejam realizados em dados criptografados. Isso significa que quando os resultados desses cálculos são descriptografados, eles são consistentes com os resultados que teriam sido obtidos se esses cálculos tivessem sido realizados nos dados em texto simples.

Em resumo

fenc é uma função de criptografia homomórfica

Onde

A propriedade homomórfica preserva a computação no espaço criptografado

Dentro da categoria mais ampla de FHE, geralmente vemos a categorização dos esquemas de FHE em dois ou três tipos de esquemas de FHE que são

• Encriptação Somewhat Homomórfica (SHE): Suporta um número limitado de operações de adição e multiplicação em texto cifrado.
• Encriptação Completamente Homomórfica (FHE): Suporta qualquer número de operações de multiplicação e/ou adição em texto cifrado sem comprometer a sua integridade durante a desencriptação.
• Encriptação Homomórfica Parcial (Partial HE): Suporta apenas a adição ou a multiplicação de operações em texto cifrado, mas não ambas.

Tentativas anteriores em ML com FHE

A exploração da aprendizagem das máquinas (ML) com criptografia completamente homomórfica (FHE) contribui diretamente para a preservação da privacidade, permitindo que os cálculos sejam realizados em dados criptografados.

Esta área tem visto várias contribuições notáveis, como a de Lauter (2021) sobre a integração da criptografia homomórfica com a IA para treino e previsões privadas, destacando a união da criptografia e aprendizado de máquina para proteger a privacidade dos dados enquanto aproveita o poder da IA.

Além disso, o trabalho sobre redes neurais profundas preservadoras de privacidade usando FHE, conforme detalhado num estudo que se concentra num modelo híbrido de FHE e Computação Multiparte (MPC) para avaliar funções não aritméticas em modelos de aprendizagem automática, empurra os limites na manutenção da confidencialidade dos dados e do modelo durante as computações.

A seminal de Graepel, Lauter e Naehrig (2012) papelO ML Confidential apresenta a aplicação da criptografia homomórfica parcial para delegar cálculos de ML a serviços de computação de forma segura, permitindo algoritmos de ML confidenciais que garantem o sigilo dos dados. Além disso, a pesquisa sobre regressão logística e algoritmos de aprendizagem não supervisionada em dados criptografados exemplifica a aplicação prática e adaptação de métodos tradicionais de ML para operar sob restrições de criptografia, demonstrando a viabilidade e eficiência dessas abordagens na preservação da privacidade dos dados. Esses trabalhos destacam a interseção crítica entre aprendizado de máquina e criptografia, oferecendo um roteiro para futuras pesquisas sobre algoritmos de ML seguros e preservadores da privacidade.

Introdução ao FHEML

A Criptografia Totalmente Homomórfica baseada em Aprendizagem de Máquina (FHEML) é uma forma de implementar algoritmos de aprendizagem de máquina que utilizam esquemas de criptografia totalmente homomórfica. Isso permite que os cálculos sejam realizados em dados criptografados, garantindo a confidencialidade dos dados que estão sendo processados.

FHEML pode ser visto como complementar ao Aprendizado de Máquina de Prova Zero (ZKML), onde este último se concentra em provar a execução correta de algoritmos de aprendizado de máquina, enquanto FHEML enfatiza a realização de cálculos em dados criptografados para manter a privacidade dos dados.

A essência do FHEML reside na sua capacidade de permitir cálculos em dados encriptados de tal forma que, uma vez que os resultados dos cálculos são desencriptados, correspondem aos resultados que teriam sido obtidos se os cálculos tivessem sido realizados nos dados originais em texto simples. Esta capacidade abre um escopo significativo para aplicações de aprendizagem automática, pois permite que os algoritmos operem em dados encriptados sem comprometer a privacidade ou segurança dos dados.

Pode ser visualizado como:

cálculo em dados criptografados

O FHEML consiste em algoritmos de aprendizagem automática que são adaptados para funcionar com esquemas de criptografia totalmente homomórfica. Ao aproveitar esses esquemas, o FHEML abre as portas para uma ampla gama de casos de uso de aprendizagem automática centrados na privacidade. Em um nível elevado, isso inclui computação confidencial, treinamento criptografado e inferências privadas, entre outros. Tais avanços não apenas aprimoram a segurança dos dados, mas também expandem as aplicações potenciais da aprendizagem automática em contextos sensíveis e exigentes em privacidade.

Bibliotecas existentes na direção do FHEML

Algumas bibliotecas e frameworks em direção ao FHEML, Por agora não há um padrão definido para escrever programas FHEML, mas algumas das frameworks e bibliotecas mais populares para construir programas FHEML são:

Concreto-mlé uma biblioteca criada por Zama, construída em cima do seu compilador TFHE de baixo nível,Concretoque permite a compilação de código python arbitrário em circuitos FHE, permitindo aos desenvolvedores escrever funções em python que podem realizar cálculos sobre dados encriptados.

O Concrete-ml permite aos desenvolvedores trabalhar com a API de aprendizagem automática familiar (modelos lineares, modelos baseados em árvores, rede neural) disponível em scikitA Concrete-ml, ou outros frameworks, permitem a conversão de modelos PyTorch em suas versões compatíveis com FHE, classificadores baseados em descida de gradiente estocástica que podem ser treinados em dados criptografados, etc. O Concrete-ml reduz significativamente a barreira de entrada para implementar operações de ml em dados criptografados.

Tenseal, desenvolvido pela OpenMinedcomunidade, Concentra-se em possibilitar operações homomórficas em tensores (unidades fundamentais em redes neurais e que podem representar ou manipular dados em várias formas). Construído em cima da MicrosoftSEAL(Biblioteca Aritmética Simples Criptografada), Tenseal fornece uma API eficiente acessível em Python com operações subjacentes escritas em C++ para um desempenho aprimorado, permitindo a função HE em tensores criptografados.

PySyft, é mais uma contribuição da OpenMined destinada a aprendizagem profunda segura e privada em Python. É construído com capacidades de criptografia homomórfica do Tenseal para melhorar suas funcionalidades de preservação de privacidade. PySyft introduz o tensor CKKS, baseado no CKKSesquema de criptografia homomórfica, permitindo operações em números reais e fornecendo resultados aproximados. Isso vai além da criptografia homomórfica, incorporando também computação segura multipartidária e privacidade diferencial para oferecer um conjunto abrangente para aprendizado de máquina preservando a privacidade.

TF Criptografado, é uma estrutura projetada para aprendizado de máquina criptografado dentro do ecossistema TensorFlow. Imitando a experiência do TensorFlow, especialmente através do API Keras, TF Encrypted facilita o treino e a previsão em dados encriptados. Aproveita a computação segura de várias partes e a encriptação homomórfica para fornecer capacidades de aprendizagem automática preservando a privacidade. TF Encrypted tem como objetivo democratizar a aprendizagem automática encriptada tornando-a acessível a quem não tem um profundo conhecimento em criptografia, sistemas distribuídos ou computação de alta performance.

Alguns casos de uso genéricos de FHEML

Externalização de computação

Uma vez que a computação ocorre sobre dados criptografados agora, a parte que deseja que as computações aconteçam pode compartilhar com segurança a forma criptografada dos dados com terceiros para processamento.

Inferências Criptografadas

Facilita a inferência criptografada, onde a inferência solicitada pelo usuário não é revelada aos modelos e permanece criptografada por padrão, e apenas o usuário pode descriptografá-la com suas chaves.

Informações de Treino Encriptadas

Capacitar as empresas para alavancar formas criptografadas de dados sensíveis para treinar modelos de aprendizado de máquina e obter insights. Isso permite que as organizações utilizem seus dados para aprimorar operações, desenvolver novas estratégias e melhorar os processos de tomada de decisão, tudo isso garantindo a máxima privacidade e segurança dos dados envolvidos.

Aviso legal:

1. Este artigo é reproduzido a partir de [GateForesightnews]. Reencaminhe o Título Original‘速览 Gitcoin 推出的 Allo Protocol：社区赠款计划的协议层基础设施’.Todos os direitos autorais pertencem ao autor original [Frank, Foresight News]Se houver objeções a esta reimpressão, entre em contato com oGate Learnequipa, e eles tratarão disso prontamente.

2. Isenção de Responsabilidade: As opiniões expressas neste artigo são exclusivamente do autor e não constituem qualquer conselho de investimento.

3. As traduções do artigo para outros idiomas são feitas pela equipa Gate Learn. Salvo indicação em contrário, é proibido copiar, distribuir ou plagiar os artigos traduzidos.